У найближчі п’ять років найдорожчі компанії світу працюватимуть як закриті інформаційні петлі на базі штучного інтелекту: усі дзвінки, листи, зустрічі, аналітика контенту йдуть в один AI‑контур, який приймає рішення швидше за будь-яку команду людей. Про таке майбутнє говорить засновниця й блогерка з каналу Silicon Valley Girl, яка тестує цю модель на власній соцмережевій компанії, перетворюючи її на полігон для побудови багаторівневої AI‑архітектури.
Її підхід — це не абстрактна «автоматизація», а чітко спроєктована система з кількох рівнів: від базового шару знань до агентів, що працюють за розкладом і замкнено з’єднують дані про ефективність із новими рішеннями та контентом. У центрі — ідея закритого AI‑loop, де дані не розкидані по інструментах, а живуть у спільній інфраструктурі, доступній для різних агентів і моделей.
Закритий AI‑loop як новий стандарт вартості бізнесу
Ключова теза цієї концепції звучить жорстко: через п’ять років найбільш цінні компанії будуть тими, що працюють як закриті AI‑інформаційні петлі. Це означає, що кожна одиниця операційних даних — дзвінки, листування, зустрічі, метрики контенту — не просто зберігається в CRM чи окремих сервісах, а стає частиною єдиного AI‑середовища.
У такій моделі:
AI бачить повну картину того, що відбувається в бізнесі, а не фрагменти в окремих застосунках.
Рішення приймаються на основі актуальних, пов’язаних між собою даних, а не ручних звітів раз на тиждень.
Ітерації — від зміни контент‑стратегії до корекції продукту — відбуваються на порядки швидше, бо зворотний зв’язок між дією й результатом замкнений усередині системи.
Засновниця соцмережевої компанії, яка працює з кількома каналами одночасно, будує саме таку архітектуру: від збору даних до агентів, що самі запускаються за розкладом, аналізують результати й підказують наступні кроки. Її бізнес уже помітно прискорився за кілька тижнів після впровадження перших рівнів системи — і це, по суті, демонстрація того, як може виглядати «самокерована» компанія в мініатюрі.
Рівень 1: знання як інфраструктура, а не побічний продукт
Перший рівень цієї системи — не моделі й не агенти, а банальна на перший погляд річ: структурований, придатний до запитів шар знань про бізнес. Без нього, підкреслює засновниця, будь-які додаткові агенти лише множать хаос.
Йдеться не про те, щоб «накинути файлів в AI‑чат», а про створення єдиного джерела правди, до якого можуть підключатися різні інструменти. У її випадку це база даних, організована за кожним соцмережевим каналом компанії. Для кожного каналу система автоматично підтягує:
кількість переглядів і базові метрики ефективності;
повні транскрипти контенту;
опис тону голосу;
брендові параметри й контекст.
Усе це живе не всередині одного AI‑сервісу, а в зовнішній базі — від простої структури на кшталт Google Drive чи Google Sheets до складніших систем. Принциповий момент: дані не «замикаються» в конкретному інструменті, бо інструменти змінюються.
Сьогодні компанія може будувати агентів на Claude, завтра — вирішити перейти на іншу модель чи стек. Якщо всі рішення, історія промптів і контент зберігаються лише в одному AI‑сервісі, міграція перетворюється на болісне перенесення тисяч дрібних рішень. Якщо ж дані лежать у зовнішній базі, новому агенту достатньо просто підключити це джерело.
Це й є фундамент закритого AI‑loop: не «один розумний бот», а стійка інфраструктура даних, до якої можна під’єднувати різні «мізки».
Голос замість клавіатури: як змінюється шар введення даних
Перш ніж дані потраплять у базу, їх потрібно створити. І тут засновниця радить зробити крок, який досі для багатьох виглядає радше «фішкою», ніж стандартом: відмовитися від набору тексту як основного способу взаємодії з AI й перейти на голос.
Аргументація проста й практична. Під час розмови людина дає в рази більше контексту, ніж коли друкує. Скаржитися, описувати проблему, розповідати історію вголос значно легше, ніж формулювати «ідеальний промпт» у тексті. Один із підходів, який вона використовує, — ставитися до промптингу як до «скарги AI»: замість того щоб одразу просити рішення, детально проговорювати проблему, ніби пояснюючи її колезі.
Для цього вона використовує голосові інструменти. Через те, що працює двома мовами — російською й англійською, — стандартні можливості Claude не завжди коректно розуміють її російську. Тому в хід іде Whisper Flow, який підтримує кілька мов і дає точний голосовий ввід. Усе, що раніше вводилося руками, тепер проговорюється — і це не лише економія часу, а й якісно інший рівень контексту для AI.
Другий інструмент у цьому шарі — Trent. Він використовується для фіксації й подальшої обробки аудіо: наприклад, під час запису подкасту засновниця паралельно створює матеріал для майбутнього посту в LinkedIn, а на конференції може натиснути запис на Apple Watch, а потім прогнати виступ через Trent і отримати готовий текст для соцмереж. Це ще один елемент закритого контуру: живий досвід одразу потрапляє в систему, минаючи ручні конспекти й переписування.
У результаті шар введення даних перестає бути вузьким горлечком. Замість уривчастих текстових промптів AI отримує багатий, живий, багатомовний контекст, який потім лягає в структуровану базу.
Зовнішня база замість «AI‑пастки»: чому місце зберігання важливіше за вибір моделі
Один із найпрактичніших висновків, до якого приходить команда засновниці, стосується того, де саме мають жити дані бізнесу. Її рекомендація однозначна: не зберігати критичну інформацію всередині одного AI‑інструменту, навіть якщо він здається ідеальним.
Причина — у швидкості змін ринку. Сьогодні компанія може «закохатися» в Claude, завтра з’явиться модель, яка краще працює з кодом, післязавтра — інструмент, що дає кращу інтеграцію з відео чи аналітикою. Якщо всі рішення, проміжні артефакти, контент і стратегічні документи «заховані» в одному сервісі, будь-який перехід означає або втрату історії, або складну й дорогу міграцію.
Тому її команда вибудувала окрему базу, організовану за каналами. Для кожного каналу — YouTube, LinkedIn, інші платформи — є свій блок, куди автоматично стікаються:
перегляди й показники ефективності;
транскрипти відео й аудіо;
опис тону голосу;
брендові параметри й інші артефакти.
Ця база може бути реалізована як набір папок у Google Drive чи інший хмарний сховище — головне, щоб до неї могли звертатися різні агенти й системи. Саме це дозволяє будувати закритий AI‑loop, не прив’язуючись до конкретного постачальника моделей.
Окремий шар у цій базі — стратегічні документи. Команда не обмежується операційними файлами. Вони додають:
опис тону голосу бренду;
бізнес‑стратегію на поточний рік;
особисті цілі засновниці;
«конституцію» — набір принципів, які рішення компанії мають дотримуватися або, навпаки, уникати.
Є навіть спеціальний «anti‑AI» файл. Оскільки компанія працює з великою кількістю контенту, є ризик, що тексти почнуть звучати «як згенеровані AI» — із типовими шаблонами й без індивідуальності. Anti‑AI документ фіксує, як саме контент не має звучати, які формулювання й стилістичні ходи небажані. Це ще один приклад того, як стратегічне мислення перетворюється на дані, з якими може працювати AI.
У підсумку база стає не просто сховищем файлів, а цифровим відображенням бізнесу: від метрик до інтонацій і принципів.
Рівень 2: агенти на вершині знань, а не поверх хаосу
Коли шар знань побудовано, на нього можна «садити» наступний рівень — AI‑агентів, які працюють не в порожнечі, а поверх глибокого розуміння бізнесу. Саме тут починається перехід від «розумного чату» до системи, яка реально знімає навантаження з людей.
У браузері команда використовує Claude Projects: для кожного напряму — наприклад, LinkedIn — створюється окремий проєкт, куди завантажуються профіль голосу, досьє, дані про ефективність. Модель читає ці файли в межах розмови й може відповідати з урахуванням контексту. Це вже крок уперед порівняно з одноразовими промптами, але є обмеження: браузерний Claude не може відкривати локальні файли, редагувати документи, запускати скрипти чи виконувати дії на комп’ютері.
Щоб піти глибше, команда тестує десктопний застосунок Claude Co‑Work разом із YouTube‑відділом. Тут архітектура вже більше схожа на справжню виробничу систему. Продюсери підтримують «мастер‑папку» з підпапками для кожного етапу продакшну: заголовки, прев’ю, сценарії, дистрибуція, дослідження гостей.
У кожній підпапці лежить файл з інструкціями: покроковий опис завдання, що саме потрібно перевірити, у якому форматі видати результат. Інструкції організовані шарами. У кореневій папці — загальний контекст: профіль голосу, опис аудиторії, бізнес‑цілі. У кожній підпапці — специфічні для задачі правила, які «накладаються» на базовий контекст.
Коли агент бере завдання, він спочатку читає майстер‑файл, потім — інструкції конкретної підпапки, і лише після цього виконує дію. Який би промпт не ввів член команди, він проходить через один і той самий набір стандартних перевірок, перш ніж згенерувати результат. За відгуками команди, це різко підвищило точність відповідей «з першого разу» — менше правок, менше повторних запитів, менше мікроменеджменту.
Цей рівень показує, як виглядає AI‑агент, який «знає бізнес»: він не просто відповідає на питання, а працює всередині чітко описаних процесів, з доступом до всієї релевантної інформації.
Рівень 3: агенти за розкладом як двигун замкненого циклу
Третій рівень — це місце, де закритий AI‑loop починає працювати як система, а не як набір інструментів. Йдеться про агентів, які запускаються за розкладом, підключаються до потрібних джерел даних і видають структурований результат у визначене місце — без участі людини в момент виконання.
У соцмережевій компанії засновниці такі агенти вже працюють у кількох критичних точках. Щопонеділка о 9:00 один агент запускає повне дослідження трендів контенту й формує документ із десятьма ідеями відео для каналу Silicon Valley Girl. До того, як команда відкриє ноутбуки, у них уже є список тем, зібраний на основі актуальних даних.
О 10:00 інший агент збирає найважливіші новини в галузях AI, технологій і бізнесу за останні сім днів і зводить їх в один підсумковий огляд. Щодня ще один агент моніторить згадки бренду Silicon Valley Girl у медіа й надсилає оновлення, якщо з’являються помітні згадки в технологічних чи бізнес‑виданнях.
Усі ці агенти працюють за одним принципом: є промпт, є таймер, є підключені джерела даних, є формат виходу — наприклад, документ чи лист. Людина не витрачає час на рутинний моніторинг і первинний аналіз, а одразу отримує структурований результат.
Найяскравіший приклад впливу такого агента — робота гостьового продюсера, яка відповідає за бронювання спікерів для інтерв’ю. Раніше, за її оцінкою, 80% часу йшло на гостей, які навіть не відповіли на перший лист. Лише 20% зусиль припадало на активні діалоги з тими, хто реально рухався вперед.
Для неї побудували окремого агента за розкладом. Щосереди він автоматично читає базу даних із усіма відхиленими гостями: ім’я, дата відмови, що саме пропонували, яку відповідь отримали. Для кожного гостя агент шукає новини за останні сім днів — будь-який інформаційний привід, який можна використати для повторного звернення: вихід книги, запуск продукту, новий раунд інвестицій.
Потім агент оцінює кожного кандидата за вісьмома критеріями, перевіряє, чи минуло достатньо часу з моменту відмови, і чи є реальний «гачок» для нового листа. Якщо так — формує чернетку повідомлення, яку продюсер може адаптувати й відправити.
Результат: тепер вона витрачає лише близько 5% часу на тих, хто не відповідає, замість більшої частини тижня. Фактично це повернуло їй приблизно 75% робочого часу, який можна спрямувати на роботу з теплими лідами, підготовку до інтерв’ю й розвиток формату.
Саме такі агенти за розкладом і створюють відчуття «самокерованої» компанії: система сама збирає дані, сама шукає можливості, сама пропонує наступні кроки. Люди залишаються в контурі ухвалення рішень, але не витрачають сили на рутину.
Від експерименту до нового операційного стандарту
Те, що сьогодні виглядає як експеримент однієї соцмережевої компанії, дуже схоже на прототип операційної моделі майбутнього. Закритий AI‑loop у її виконанні — це не один «суперагент», а поєднання трьох ключових шарів:
багатий голосовий ввід, який перетворює живі розмови, подкасти й виступи на дані;
зовнішня, структурована база знань, організована за каналами й доповнена стратегічними документами;
мережа агентів — як інтерактивних, так і тих, що працюють за розкладом, — які підключаються до цієї бази й повертають конкретні дії та рішення.
У такій архітектурі інструменти можуть змінюватися: сьогодні це Claude, завтра — інша модель чи стек. Але база знань і логіка агентів залишаються. Саме це дає компанії гнучкість і захищає від «AI‑локіну», коли бізнес стає заручником одного постачальника.
Для індустрії загалом це означає, що питання «яку модель обрати» поступово відходить на другий план. Набагато важливіше, як організовано дані, як описані процеси й наскільки глибоко AI інтегрований у щоденний цикл ухвалення рішень.
Якщо прогноз про те, що найдорожчі компанії світу стануть закритими AI‑петлями, справдиться, саме такі системи — із чітким шаром знань, зовнішньою базою й агентами за розкладом — можуть стати новим операційним стандартом.
Джерело
YouTube: Build a Self-Running AI Company in 16 Minutes (Move 75% Faster)